隨著金融科技、科技金融等概念的熱起，以及互聯(lián)網(wǎng)金融、無金融服務(wù)群體的剛性需求下，大數(shù)據(jù)風(fēng)控技術(shù)也獲得越來越廣泛地重視和應(yīng)用。但是，如何利用大數(shù)據(jù)、機(jī)器學(xué)習(xí)等前沿技術(shù)做金融風(fēng)控？如何通過海量數(shù)據(jù)與欺詐風(fēng)險進(jìn)行博弈？本次硬創(chuàng)公開課我們邀請了同盾科技首席風(fēng)險官董騮煥博士為我們解答。

董騮煥是南開大學(xué)概率統(tǒng)計博士，他博士畢業(yè)后加入中科院，2007年加入IBM/ ILOG從事決策模型在各種業(yè)務(wù)問題中的應(yīng)用。2010年至2013年先后在FICO和SAS支持金融反欺詐事業(yè)。2015年5月15日，董騮煥加入同盾科技，負(fù)責(zé)反欺詐以及數(shù)據(jù)分析。目前他仍擔(dān)任上海財經(jīng)大學(xué)統(tǒng)計管理學(xué)院兼職碩導(dǎo)和教育指導(dǎo)委員會成員。

以下是本次公開課要點：

同盾提倡跨行業(yè)聯(lián)防聯(lián)控，一個維度是打破企業(yè)之間的數(shù)據(jù)孤島，即企業(yè)與企業(yè)、平臺之間的數(shù)據(jù)交通障礙。另一方面是行業(yè)與行業(yè)之間也存在一定的風(fēng)險重合，比如信貸行業(yè)與電商行業(yè)、O2O行業(yè)之間，需要一定的機(jī)制來打破數(shù)據(jù)障礙。

風(fēng)控體系：事前、事中、事后調(diào)控

整個風(fēng)控體系包括幾個環(huán)節(jié)：

事前：在風(fēng)險發(fā)生之前就要通過對風(fēng)險輿情的監(jiān)控發(fā)現(xiàn)風(fēng)險，比如在某些惡意的欺詐團(tuán)伙即將發(fā)動欺詐攻擊前就采取措施來提前防御，比如通過規(guī)則加緊，把模型閾值調(diào)高等方法。

事中：信貸借款申請，在線上注冊激活的過程中，根據(jù)自動風(fēng)險評估，包括申請欺詐，信用風(fēng)險等來選擇是否拒絕發(fā)放貸款。

事后：貸款發(fā)放以后的風(fēng)險監(jiān)控，如果借款人會出現(xiàn)與其他平臺的新增申請，或者長距離的位置轉(zhuǎn)移，或者手機(jī)號停機(jī)等信號，可作為貸后風(fēng)險預(yù)警。

如何提前在網(wǎng)絡(luò)中把騙子揪出？

最基礎(chǔ)的技術(shù)：設(shè)備指紋

在介紹整個風(fēng)控體系時我認(rèn)為，對于網(wǎng)絡(luò)行為或者線上借貸，最最基礎(chǔ)或者最最重要的技術(shù)是設(shè)備指紋。為什么呢？從上圖中我們可以看到，網(wǎng)絡(luò)上的設(shè)備模擬或攻擊，比如各種各樣的自動機(jī)器人，實際上是對網(wǎng)絡(luò)環(huán)境造成極大的干擾，在信貸中會導(dǎo)致信用風(fēng)險的誤判。這個是第一道。

網(wǎng)絡(luò)設(shè)備最關(guān)鍵的地方是要實現(xiàn)對設(shè)備唯一性的保證，第二是抗攻擊，抗篡改。網(wǎng)上有各種高手會進(jìn)行模擬器修改，修改設(shè)備的信息和干擾設(shè)備的定位等以各種手段來干擾設(shè)備的唯一性認(rèn)定。

所以對抗這樣的情況的技術(shù)要點在于：抗攻擊、抗干擾、抗篡改。另一方面能夠識別出絕大部分的模擬器。

設(shè)備定位：基站和WiFi三角定位

接下來就是設(shè)備定位。

• 非GPS定位

值得注意的是，在模擬器或者智能設(shè)備系統(tǒng)里面它可以把GPS定位功能關(guān)掉。而如果通過將基站的三角計算或者WIFI的三角計算定位結(jié)合起來，定位的精度較高，且不受GPS關(guān)閉的影響。

這可以應(yīng)用在信貸貸后管理，用來監(jiān)測借款人的大范圍位置偏移。

• 地址的模糊匹配

對于位置來講還有一個重要方面是地址的模糊匹配。在信用卡或者線下放貸中，地址匹配是一個重要的風(fēng)險審核因素，但是地址審批過程存在一個問題：平臺與平臺之間因為輸入格式不同或者輸入錯誤等問題造成難以匹配，那就需要模糊算法來進(jìn)行兩兩匹配，以及數(shù)個地址之間進(jìn)行比對，或者在存量庫中搜索出歷史中的風(fēng)險或者相關(guān)性名單來進(jìn)行比對。這其中涉及的技術(shù)包括模糊匹配算法和海量地址的管理和實時比對。

復(fù)雜網(wǎng)絡(luò)

復(fù)雜網(wǎng)絡(luò)有時候大家稱之為知識圖譜，但這中間有點區(qū)別：復(fù)雜網(wǎng)絡(luò)更偏向于從圖論的角度進(jìn)行網(wǎng)絡(luò)構(gòu)建后進(jìn)行實體結(jié)構(gòu)算法分析，知識圖譜更偏重于是在關(guān)聯(lián)關(guān)系的展現(xiàn)。

網(wǎng)絡(luò)分析最重要的一點是具有足夠的數(shù)據(jù)量，能夠?qū)Υ蟛糠志W(wǎng)絡(luò)行為進(jìn)行監(jiān)控和掃描，同時形成相應(yīng)的關(guān)聯(lián)關(guān)系，這不僅是實體與實體之間、事件與事件的關(guān)系，并且體現(xiàn)出“小世界（7步之內(nèi)都是一家人）”、“冪分布”等特征。

舉個例子：團(tuán)伙性欺詐嫌疑識別。有一個被拒絕的用戶中，關(guān)聯(lián)出來了一個失信的身份證和設(shè)備，而且發(fā)現(xiàn)其設(shè)備有較多的申請行為，那么，這個被關(guān)聯(lián)出來的用戶或?qū)⑿枰獓?yán)格的人工審核，甚至可以直接拒絕。

通過對借款事件的深入挖掘，我們可以關(guān)聯(lián)出大量的借款事件。這個需要進(jìn)行一些算法分團(tuán)，可以把相關(guān)的聯(lián)系人都分到一個地方，然后進(jìn)行關(guān)聯(lián)成團(tuán)的團(tuán)伙性分析，根據(jù)圖論上的屬性如團(tuán)的密集程度和某些路徑的關(guān)鍵程度等，比如介數(shù)，圖直徑等角度來估計風(fēng)險。

數(shù)據(jù)抽樣結(jié)果案例：騙子遁形

通過對內(nèi)部大量數(shù)據(jù)的抽樣分析，可以看到一些意思的現(xiàn)象：潛在的威脅者，出于惡意目的，他的行為會和正常的用戶有所不同。這里面有幾個例子可以分享：

其中一個是設(shè)備與關(guān)聯(lián)賬戶的數(shù)量與欺詐風(fēng)險的關(guān)系。當(dāng)然這不僅包括了信貸行業(yè)的欺詐，還包括賬戶層面的盜取賬戶、作弊、交易等欺詐風(fēng)險。可以看到，當(dāng)設(shè)備關(guān)聯(lián)賬戶量大于3-5個時，其風(fēng)險系數(shù)明顯增高。此外，當(dāng)關(guān)聯(lián)數(shù)量大于五時，風(fēng)險率也是明顯偏高。

另外一個是對于多頭負(fù)責(zé)與不良率的比較：7天內(nèi)貸款平臺數(shù)高于5時其風(fēng)險也是明顯偏高的。雖然這個數(shù)據(jù)還沒有做進(jìn)一步的清洗和交叉衍生新的變量，但也可以看出其中的風(fēng)險相關(guān)程度。

另外是某個特定客群的建模抽樣分析。例如多次借款申請人如果180天內(nèi)夜間申請借款的比例——就是有借款行為的同時，如果大于四分之一的借款申請是在夜間的，其風(fēng)險明顯增加。

數(shù)據(jù)都是客觀的，取決于數(shù)據(jù)形成后對業(yè)務(wù)的分析和解讀。

優(yōu)秀的決策引擎是怎樣的？

一個優(yōu)秀的決策引擎包括以下幾點：

靈活可配——不但可以配規(guī)則，還可以配規(guī)則的字段和權(quán)重。業(yè)務(wù)友好就不用說了。

快速部署——配置好的規(guī)則模型可以實時生效，當(dāng)然如果涉及一般規(guī)則修改時，可以做一個灰度部署。

決策流——它可以把不同的規(guī)則和模型串到一起，形成一個決策流，實現(xiàn)貸前、貸中、貸后的全流程監(jiān)控。它要可以實現(xiàn)對數(shù)據(jù)的按需調(diào)用，比如把成本低的數(shù)據(jù)放到前面，逐步把成本較高的數(shù)據(jù)放到后面。因為有些決策在前面成本較低的數(shù)據(jù)下已經(jīng)可以形成，就不必調(diào)用高成本的數(shù)據(jù)。

AB測試和冠軍挑戰(zhàn)——對于規(guī)則修改、調(diào)優(yōu)時尤其重要。兩套規(guī)則跑所有的數(shù)據(jù)，最終來比較規(guī)則的效果。另一種是分流——10%跑新規(guī)則，90%跑老規(guī)則，隨著時間的推移來根據(jù)測試結(jié)果的有效性。

支持模型的部署——線性回歸、決策樹等簡單模型容易將其變成規(guī)則來部署，但支持向量機(jī)、深度學(xué)習(xí)等對模型支持的功能有更高的要求。

信用評估

那經(jīng)過以上的手段，我們基本可以具有一個很強(qiáng)的力度來排除信用風(fēng)險，那么以下便是信用評估階段。

評分卡模型

評分卡分為申請、行為、催收評分卡。申請評分卡用于貸前審核；行為評分卡作為貸中貸后監(jiān)控，例如調(diào)額，提前預(yù)知逾期風(fēng)險。它可以通過歷史的數(shù)據(jù)和個人屬性等角度來預(yù)測違約的概率。信用評分主要用于信用評分過程中的分段，高分段可以通過，低分段可以直接拒絕。

因為行業(yè)不同，客群與業(yè)務(wù)不同，評分卡的標(biāo)準(zhǔn)也有所不同。對于有歷史表現(xiàn)的客戶，我們可以將雙方的XY變量拿出來，進(jìn)行一個模型共建，做定制化的評分。

構(gòu)建一個評分卡模型，目前傳統(tǒng)的方法是銀行體系中使用的：數(shù)據(jù)清洗、變量衍生、變量選擇然后進(jìn)行邏輯回歸這樣一個建模方式。

那么機(jī)器學(xué)習(xí)和傳統(tǒng)方法最主要的區(qū)別是變量選取過程的不同——如果還是基于傳統(tǒng)的變量選取方法，那通過機(jī)器學(xué)習(xí)訓(xùn)練出來的模型，其實還是傳統(tǒng)的模型，其模型雖然一個非線性模型，但是其背后體現(xiàn)不出機(jī)器學(xué)習(xí)的優(yōu)勢。

核心技術(shù)與挑戰(zhàn)

在目前圍繞大數(shù)據(jù)、大數(shù)據(jù)決策為核心的風(fēng)控技術(shù)體系中，整體的數(shù)據(jù)量達(dá)到一定水平，存在的挑戰(zhàn)將會是數(shù)據(jù)的稀疏化。隨著風(fēng)控業(yè)務(wù)覆蓋的行業(yè)越來越多，平臺間的數(shù)據(jù)稀疏問題就越明顯。（雷鋒網(wǎng)注：“稀疏數(shù)據(jù)”即矩陣中含零元素特別多，這意味著無益于增加數(shù)據(jù)信息量的無用元素很多，對于數(shù)據(jù)從存儲，處理到建模都有挑戰(zhàn)。）

此外，其實對于大數(shù)據(jù)來說，即便具有數(shù)據(jù)和大數(shù)據(jù)決策，如果沒有一個很穩(wěn)定的落地平臺也是一個空中樓閣。大數(shù)據(jù)應(yīng)用要做到完整，還需要符合以下要求的平臺：一是容納量，能夠容納特別多的數(shù)據(jù)；一個是響應(yīng)：任何決策都能實時響應(yīng)；一個是并發(fā)，在大量數(shù)據(jù)并發(fā)時也能保持調(diào)用。此外，安全性自不待言。

問答：

問：深度學(xué)習(xí)是怎么用于風(fēng)險控制的呢？

董騮煥：深度學(xué)習(xí)本身個框架，是結(jié)合非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和部署的框架，只要有目標(biāo)，有數(shù)據(jù)就可以衍生特征，就可以做目標(biāo)訓(xùn)練，可以當(dāng)成一般機(jī)器學(xué)習(xí)去用。當(dāng)然深度學(xué)習(xí)有些優(yōu)勢，比如無監(jiān)督的特征選取方式，另外訓(xùn)練的過程中雖然計算量比較大，但也是可以接受的。

概括地說你可以認(rèn)為深度學(xué)習(xí)是模型的一種。因為深度學(xué)習(xí)有些特殊的優(yōu)勢，比如特征選取的自動產(chǎn)生，即無監(jiān)督方式。 另外，它可以實現(xiàn)稀疏數(shù)據(jù)結(jié)構(gòu)的特征生成，而且可以通過正則化的方式來控制特征的生成，這對于具有大量數(shù)據(jù)，同時維度特別多，而且稀疏化的情況時就特別有用。

問：有一個問題，有沒有一種可能，對于用戶畫像，判斷的維度越多，得到的一些結(jié)論是沖突的。這個情況如果存在，是怎么協(xié)調(diào)，看權(quán)重么？

董騮煥：如果傳統(tǒng)的方法，這些維度，比如幾千個維度經(jīng)過模型變量的篩選，有些變量是值越高越正面，有些是值越低越正面，就是WOE是不同的方向，這種情況下可以通過建模的方式來進(jìn)行權(quán)重的訓(xùn)練，來做一個協(xié)調(diào)。

問：根據(jù)最新關(guān)于互聯(lián)網(wǎng)金融平臺法規(guī)的實施，從數(shù)據(jù)平臺的角度分析下，大數(shù)據(jù)是否會取代以后的人工審核？您對互金風(fēng)控未來的發(fā)展趨勢認(rèn)為是什么樣的？

董騮煥：確實取決于不同信貸產(chǎn)品。比如小微的信貸產(chǎn)品，其立足點也許是經(jīng)營性的評估，甚至包括現(xiàn)場的實際調(diào)研——水、電、煤，以及稅務(wù)調(diào)查。而對于一些小額分散的信貸產(chǎn)品，比如信用卡代償，這些由于量太大金額又很小，人工審核的話成本會太高。當(dāng)然還有一些中間層面的，比如幾千到幾萬元的借貸，這種情況當(dāng)前更多還是互相并存的方式。

至于“未來互聯(lián)網(wǎng)審核取代人工審核”這個命題，我認(rèn)為更多取決于線上個人身份認(rèn)證問題的解決。也就是說，目前線上沒有真正能完全規(guī)避偽冒的風(fēng)險，包括活體認(rèn)證和手持拍照等措施，尤其是大金額，走線上途徑還是有一定風(fēng)險的，因此需要從信貸流程的各個維度來控制。

對于未來的風(fēng)控我認(rèn)為是往風(fēng)險經(jīng)營走，2個方向：一個是個人定制化，讓每個人都有不同的風(fēng)險識別，以及對應(yīng)的信貸產(chǎn)品。另外是最優(yōu)化的授信，實現(xiàn)平臺的某個目標(biāo)的最大化，比如收入最大化、利潤最大化，此外還有市場占有最大化——對于低風(fēng)險人群的容忍，這當(dāng)然取決于一個平臺的風(fēng)險偏好，但這個風(fēng)險偏好最大的基礎(chǔ)是對風(fēng)險的準(zhǔn)確識別，這樣相應(yīng)的風(fēng)險優(yōu)化才是有效的。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。